[發(fā)明專利]一種智能語音處理方法

有效

• 申請?zhí)枺?/td>: 201410081493.6
• 申請日: 2014-03-05
• 公開（公告）號: CN103811020A
• 公開（公告）日: 2014-05-21
• 發(fā)明（設(shè)計）人: 王義;魏陽杰;陳瑤;關(guān)楠
• 申請（專利權(quán)）人: 東北大學(xué)
• 主分類號: G10L21/0272
• 分類號: G10L21/0272;G10L15/07
• 代理公司: 沈陽東大知識產(chǎn)權(quán)代理有限公司 21109
• 代理人: 梁焱

1.一種智能語音處理方法，其特征在于，包括以下步驟：

步驟1、采集樣本語音段構(gòu)建樣本語音庫，對樣本語音進行特征提取，獲得特征參數(shù)，并對特征參數(shù)進行訓(xùn)練；

具體過程如下：

步驟1-1、采集樣本語音段，將采集的語音段進行離散化處理，提取語音信號的梅爾頻率倒譜系數(shù)作為語音信號特征參數(shù)，并建立高斯混合模型；

模型公式如下：

p(XIG)=Σi=1Mpibi(X)---(1)]]>

其中，p(XIG)表示樣本語音特征參數(shù)在模型參數(shù)為G的模型中的概率；

G表示高斯混合模型參數(shù)集，G＝{p_i，μ_i，∑_i}，i＝1，2，...，I；

I表示高斯混合模型中單一高斯模型個數(shù)；

p_i表示第i個單一高斯模型的權(quán)重系數(shù)，

μ_i表示第i個單一高斯模型的均值矢量；

∑_i表示第i個單一高斯模型的協(xié)方差矩陣；

X表示樣本語音特征參數(shù)，X＝{x₁，x₂，...，x_T}，T表示特征向量的個數(shù)；

b_i(X)表示第i個單一高斯模型的密度函數(shù)，b_i(X)＝N(μ_i，∑_i)，N(.)表示標準高斯分布的密度函數(shù)；

步驟1-2、利用語音信號特征參數(shù)訓(xùn)練高斯混合模型；

即采用k均值聚類算法對語音信號特征參數(shù)進行聚類，獲得高斯混合模型參數(shù)集初始值G₀＝{p_i⁰，μ_i⁰，∑_i⁰}，i＝1，2，...，I；并根據(jù)獲得的高斯混合模型參數(shù)集初始值，采用最大期望算法對模型進行估計，進而獲得高斯混合模型參數(shù)，即完成特征參數(shù)的訓(xùn)練；

步驟2、采用M個麥克風(fēng)組成的麥克風(fēng)陣列采集被測環(huán)境音頻信號，確定該環(huán)境聲音源個數(shù)和每個聲音源波束到達的方向，即聲源到麥克風(fēng)陣列的入射角度；

具體過程如下：

步驟2-1、采用M個麥克風(fēng)組成的麥克風(fēng)陣列采集被測環(huán)境的混合音頻信號，并對采集的混合音頻信號進行離散化處理，獲得每個采樣點的幅值；

步驟2-2、將每個采樣點的幅值進行矩陣化，獲得每個麥克風(fēng)采集到的混合音頻矩陣；上述混合音頻矩陣的列數(shù)為一，行數(shù)為采樣點個數(shù)，矩陣中元素為每個采樣點的幅值；

步驟2-3、根據(jù)每個麥克風(fēng)采集到的混合音頻矩陣和麥克風(fēng)個數(shù)，獲得被測環(huán)境的混合音頻信號的矢量協(xié)方差矩陣的估計值；

矢量協(xié)方差矩陣的估計值公式如下：

Rxx=1MΣm=1MX(m)XH(m)---(2)]]>

其中，R_xx表示被測環(huán)境的混合音頻信號的矢量協(xié)方差矩陣的估計值；

X(m)表示第m個麥克風(fēng)采集到的混合音頻矩陣；

X^H(m)表示第m個麥克風(fēng)采集到的混合音頻矩陣的轉(zhuǎn)置矩陣；

步驟2-4、對矢量協(xié)方差矩陣的估計值進行特征值分解，獲得特征值，并對特征值從大到小進行排序，確定特征值大于閾值的個數(shù)，即為聲音源的個數(shù)；

步驟2-5、將麥克風(fēng)個數(shù)減去聲音源個數(shù)獲得噪音源個數(shù)，進而對應(yīng)獲得噪音矩陣；

步驟2-6、根據(jù)各個麥克風(fēng)與陣列中心之間的距離、混合音頻信號的波長、麥克風(fēng)對于陣列中心的方向角度和聲音源的波束到達方向獲得麥克風(fēng)陣列的導(dǎo)向矢量，再根據(jù)噪音矩陣和麥克風(fēng)陣列的導(dǎo)向矢量獲得混合音頻信號的角度譜函數(shù)；

混合音頻信號的角度譜函數(shù)公式如下：

P(θ)=1αH(θ)VuVHuα(θ)---(3)]]>

其中，P(θ)表示混合音頻信號的角度譜函數(shù)；

α(θ)表示麥克風(fēng)陣列的導(dǎo)向矢量，α(θ)＝(α₁(θ)，...，α_m(θ)，...，α_M(θ))，其中，j表示虛數(shù)單位，k＝2π/λ，λ表示混合音頻信號的波長，d_m表示第m個麥克風(fēng)與陣列中心的距離，表示第m個麥克風(fēng)對于陣列中心的方向角度；

θ表示聲音源的波束到達方向；

α^H(θ)表示麥克風(fēng)陣列的導(dǎo)向矢量的轉(zhuǎn)置矩陣；

V_u表示噪音矩陣；

V^H_u表示噪音矩陣的轉(zhuǎn)置矩陣；

步驟2-7、根據(jù)混合音頻信號的角度譜函數(shù)的波形，由大到小選取該波形的多個峰值，選擇峰值的個數(shù)即為聲音源的個數(shù)；

步驟2-8、確定選取峰值對應(yīng)的角度值，即獲得每個聲音源的波束到達方向；

步驟3、根據(jù)每個聲音源的音頻信號、聲音源與麥克風(fēng)之間的轉(zhuǎn)換關(guān)系，獲得麥克風(fēng)接收到的麥克風(fēng)陣列聲壓、麥克風(fēng)陣列水平方向聲壓梯度和麥克風(fēng)陣列垂直方向的聲壓梯度；

麥克風(fēng)陣列聲壓信號公式如下：

pw(t)=Σn=1N0.5Σm=1Mhmn(t)sn(t)---(4)]]>

其中，p_w(t)表示t時刻麥克風(fēng)陣列聲壓；

N表示聲音源個數(shù)；

t表示時間；

s_n(t)表示第n個聲音源的音頻信號；

h_mn(t)表示第n個聲音源與第m個麥克風(fēng)之間的轉(zhuǎn)換矩陣，h_mn(t)＝p₀(t)α_m(θ_n(t))，p₀(t)表示t時刻由聲波造成的麥克風(fēng)陣列中心聲壓；α_m(θ_n(t))表示在t時刻第m個麥克風(fēng)關(guān)于第n個聲音源的導(dǎo)向矢量，其中，θ_n(t)表示t時刻第n個聲音源的波束到達方向；

麥克風(fēng)陣列水平方向聲壓梯度公式如下：

其中，p_x(t)表示麥克風(fēng)陣列水平方向聲壓梯度；

麥克風(fēng)陣列垂直方向的聲壓梯度公式如下：

其中，p_y(t)表示麥克風(fēng)陣列垂直方向的聲壓梯度；

步驟4、采用傅里葉變換將麥克風(fēng)陣列中心聲壓、麥克風(fēng)陣列水平方向聲壓梯度和麥克風(fēng)陣列垂直方向的聲壓梯度從時域轉(zhuǎn)換到頻域；

步驟5、根據(jù)頻域內(nèi)的麥克風(fēng)陣列聲壓、麥克風(fēng)陣列水平方向梯度和麥克風(fēng)陣列垂直方向聲壓梯度，獲得頻率域內(nèi)的聲壓信號的強度矢量公式，進而推導(dǎo)出強度矢量方向；

頻率域內(nèi)的聲壓信號的強度矢量公式為：

I(ω,t)=1ρ0c[Re{pw*(ω,t)px(ω,t)}ux+Re{pw*(ω,t)py(ω,t)}uy]---(7)]]>

其中，I(ω，t)表示頻率域內(nèi)的聲壓信號的強度矢量；

ρ₀表示被測環(huán)境空氣密度；

c表示聲速；

Re[.]表示取復(fù)數(shù)實部；

p_w^*(ω，t)表示頻域內(nèi)的麥克風(fēng)陣列聲壓的共軛矩陣；

p_x(ω，t)表示頻域內(nèi)的麥克風(fēng)陣列水平方向聲壓梯度；

p_y(ω，t)表示頻域內(nèi)的麥克風(fēng)陣列垂直方向聲壓梯度；

u_x表示橫坐標軸方向單位矢量；

u_y表示縱坐標軸方向單位矢量；

強度矢量方向公式如下：

γ(ω,t)=tan-1[Re{pw*(ω,t)py(ω,t)}pw*(ω,t)px(ω,t)]---(8)]]>

其中，γ(ω，t)表示麥克風(fēng)陣列接收到的混合聲音的聲壓信號的強度矢量方向；

步驟6、對強度矢量方向進行統(tǒng)計獲得其概率密度分布，采用混合馮米修斯分布進行擬合，獲得語音強度矢量方向服從混合馮米修斯分布的模型參數(shù)，進而得到每個聲壓信號的強度矢量方向函數(shù)；

具體過程如下：

步驟6-1、對強度矢量方向進行統(tǒng)計獲得其概率密度分布，采用混合馮米修斯分布進行擬合，獲得語音的強度矢量方向服從的混合馮米修斯分布的模型參數(shù)集；

所述的混合馮米修斯分布模型公式如下：

g(θ)=Σn=1Nαnf(θ;kn)---(10)]]>

其中，表示混合馮米修斯分布概率密度；

α_n表示第n個聲音源的聲壓信號的強度矢量方向函數(shù)的權(quán)重；

其中，I₀(k_n)表示第n個聲音源對應(yīng)的一階修正貝塞爾函數(shù)，k_n表示第n個聲音源聲壓信號的強度矢量方向服從的單一馮米修斯分布對應(yīng)的濃度參數(shù)，即馮米修斯分布的方差的倒數(shù)；

混合馮米修斯分布函數(shù)參數(shù)集如下：

Γ＝{α_n，k_n}，i＝1，..，N?????(11)

步驟6-2、初始化模型參數(shù)，獲得初始函數(shù)參數(shù)集；

步驟6-3、根據(jù)獲得的初始模型參數(shù)，采用最大期望算法估計得到混合馮米修斯分布模型的參數(shù)；

步驟6-4、根據(jù)估計得到的混合馮米修斯分布模型參數(shù)，求得每個聲壓信號的強度矢量方向函數(shù)；

表示混合聲音方向角度；

聲壓信號的強度矢量方向函數(shù)公式如下：

In(θ;ω,t)=αnf(θ;kn)---(12)]]>

其中，表示第n個聲音源的強度矢量方向函數(shù)；

步驟7、根據(jù)得到的每個聲壓信號的強度矢量方向函數(shù)和麥克風(fēng)陣列聲壓，獲得每個聲音源在頻率域信號，并采用傅里葉反變換將該頻域中的每個聲源信號轉(zhuǎn)換為時域內(nèi)的聲源信號；

每個聲音源在頻域中的信號公式如下：

s~n(ω,t)=pw(ω,t)In(θ;ω,t)---(13)]]>

其中，(ω，t)表示混合語音分離后得到的第n個聲源信號的頻率域信號；

將經(jīng)過傅里葉反變換得到時域信號

步驟8、計算每個聲音源信號與樣本語音庫中指定聲音源的匹配概率，選擇概率值最大的聲音源為目標聲音源，保留該聲音源信號，刪除其他非目標聲音源；

每個聲音源信號與樣本語音庫中指定聲音源的匹配概率公式如下：

C(X~n)=log[P(X~n|Gc)]---(14)]]>

式中：表示由分離后語音提取的語音特征參數(shù)，即提取語音的梅爾頻率倒譜系數(shù)作為語音的特征參數(shù)；

表示第n個聲音源信號與樣本語音庫中指定聲音源的匹配概率；

G_c表示用戶指定人的聲音模型參數(shù)；

表示分離后語音屬于用戶指定人聲音的概率；

步驟9、對保留的聲音源信號進行放大，即完成在被測環(huán)境中對指定聲音源的放大。